Kaip integruoti dirbtinį intelektą (DI) numatytam įrankių ausimuisi CNC aliuminio profilių pjovimo įrenginiuose?

Kodėl dirbtinio intelekto (AI) įrankių nusidėvėjimo numatymas yra būtinas CNC aliuminio apdirbimui

Kai įrankiai netikėtai sugenda aliuminio profilių pjovimo metu, gamintojai kiekvienais metais praranda apie 740 000 JAV dolerių prastovų dėl šios problemos, kaip nurodyta Ponemono 2023 m. ataskaitoje. Problema dar labiau pasunkėja su 6061-T6 lydiniais, kurie dėl nepatogiai susidarančių sukauptų kraštų ir šiluminių įtrūkimų pjovimo paviršiuose greičiau sukelia įrankių nusidėvėjimą. Tradiciniai metodai, kai įmonės tiesiog keičia įrankius remdamiesi kalendoriniais laiko intervalais, lemia apie 30 % vis dar naudingos įrankių tarnavimo trukmės švaistymą arba dar blogiau – didelius gedimus, kai įranga veikia maksimaliu greičiu. Protingos dirbtinio intelekto sistemos visiškai keičia šią situaciją. Šios sistemos analizuoja įvairius realiuoju laiku gaunamus jutiklių duomenis, pvz., mašinos virpesius, spindulio apkrovos pokyčius bei net paties įrenginio skleidžiamus garsus, kad iš anksto aptiktų mažiausius nusidėvėjimo požymius dar prieš tai, kai detalių matmenys pradeda išeiti už nustatytų ribų. Toliau vyksta kažkas tikrai įdomaus: mašininis mokymasis visus tuos neapdorotus duomenis paverčia tikrais prognozavimais. Tai reiškia, kad techninė priežiūra gali būti atliekama per naktį, o ne trikdant gamybą, o operatoriai gali operatyviai reguliuoti padavimo greitį ir pjovimo greitį. Įmonės, kurios įdiegė šias technologijas, dažniausiai stebi apie 41 % sumažėjusį nenuspėjamą prastovų laiką ir gauna papildomus 17 % įrankių tarnavimo trukmės. Didelėse įmonėse, kuriose kasdien aviacijos ir automobilių gamybos gamyklose gaminama tūkstančiai profilių, šie pagerinimai tiesiogiai padidina bendrą įrangos veiksmingumo (OEE) rodiklius visose srityse.

Jutiklių integracija ir signalų pirminis apdorojimas aliuminijui būdingoms dilimo požymiams nustatyti

Vibracijos, akustinis emisijos signalas ir verpeto srovė kaip pagrindiniai realiuoju laiku registruojami ankstyvojo šoninio dilimo požymiai aliuminijo lydinys 6061-T6

Kai kalbama apie ankstyvų įrankių ausčių požymių aptikimą pjaušiant aliuminio profilius, išsiskiria trys pagrindinės technologijos: virpesių jutikliai, akustinio emisijos zondai ir verpeto srovės stebėjimo sistemos. Problema ta, kad aliuminis turi tokį žemą lydymosi tašką, dėl kurio iš tikrųjų greičiau vyksta klijavimo ausčių procesai. Kas nutinka tokiu atveju? Pradedami susidaryti maži čiupinėliai pjovimo kraštuose, sukeliant būdingus aukšto dažnio virpesius (15–25 kHz diapazone) bei akustinės emisijos impulsus virš 4 MHz ribos. Konkrečiai 6061-T6 lydinio atveju, kai verpeto srovė pradeda svyruoti daugiau kaip 8 % nuo normalių reikšmių, tai paprastai reiškia, kad šoninė ausčių stiprėja dėl padidėjusio trinties pasipriešinimo, kuriam mašina turi sunaudoti daugiau energijos. Jungiant visus šiuos skirtingus signalų šaltinius, gamintojai gali nedelsdami aptikti ausčių problemas dar prieš tai sukeldami bet kokius matmenų nuokrypius galutiniuose detalių gamybos produktuose.

Ensemble EMD + Hilberto transformacija, skirta išskirti drebėjimo harmonikas, kurias užstoja aliuminio žemas slopinimo koeficientas

Aliuminis natūraliai turi labai prastas slopinimo savybes, paprastai mažesnes nei 0,05, todėl jis linkęs stiprinti foninį triukšmą ir užgožti svarbias šnekos dažnio svyravimų reikšmes. Inžinieriai naudoja komplektinę empirinę modinę skaidymo metodiką (angl. Ensemble Empirical Mode Decomposition), trumpai vadinamą EEMD, kad iš žaliųjų jutiklių rodmenų pašalintų verpstės sukimosi harmonikas. Tuo pat metu jie taiko Hilberto transformacijos techniką, kad gautų akimirksniškas amplitudės matavimo reikšmes. Šis dviejų etapų procesas, taikomas kartu, leidžia aptikti šnekos signalus žemesnius nei 500 Hz – tai pagrindiniai įspėjamieji požymiai prieš visiškai sugenda įrankiai – ir lauko bandymų duomenimis, realiose gamyklose jis parodė apie 92 % efektyvumo rodiklį. Šio metodo vertė yra ta, kad jis žymiai sumažina klaidingus įspėjimus, kurie kyla dėl tokių veiksnių kaip aušinimo skysčio baltavimas ar nedidelės detalės nuokrypiai viena nuo kitos, todėl gamintojai gali tiksliau prognozuoti, kada reikės keisti įrankius, nei anksčiau.

Dirbtinio intelekto modeliavimo strategijos tiksliai ir patikimai įrankių nusidėvėjimo prognozavimui

Veiksmingi dirbtinio intelekto (AI) prognoziniai įrankių nusidėvėjimo modeliai transformuoja neapdorotus jutiklių duomenis į veiksmingas įžvalgas aliuminio apdirbimui.

LSTM tinklai laiko nuoseklaus nusidėvėjimo progresavimui modeliuoti daugiapereinėse aliuminio ekstruzijos pjūvyse (RMSE −22 %)

LSTM tinklai yra išties puikūs stebėdami, kaip dalykai keičiasi laike jutiklių duomenyse, todėl jie padeda sukurti tikslų įrankių nusidėvėjimo modelį, frezuojant aliuminį keliomis eilėmis. Analizuojant mašinos virpėjimų ir garsų modelius šie LSTM modeliai sumažina prognozavimo klaidas apie 22 % lyginant su paprastais slenkstiniais metodais. Tai ypač svarbu gamintojams, kurie dirba su sudėtingomis profilio formomis, nes palaipsniui nusidėvėjęs įrankis veikia galutinės paviršiaus kokybės parametrus. LSTM tinklų efektyvumą lemia jų gebėjimas prisiminti ankstesnius frezavimo veiksmus ir koreguoti prognozes remiantis faktiškai įvykusiais procesais. Tai ypač naudinga apdirbant medžiagas, tokias kaip aliuminis, kurios tendencija lipdytis prie įrankių apdirbant sukuria nemalonius lipnius nuosėdų sluoksnius, kurie sugenda galutinį gaminį.

DIRBTINIO NEURONINIO TINKLO (ANN) + EEMD-Hilberto metodų sąjunga pramonėje naudojamose penkių ašių CNC pjūklų sistemose sumažina klaidingus įspėjimus 68 %

Kai dirbtinius neuroninius tinklus sujungiame su ansamblio empirinės modos skaidymo (EEMD) ir Hilberto transformacijos metodais, galime tikrai atskirti tikrus dėvėjimosi požymius nuo viso to fono triukšmo jutiklių duomenyse. Ši kombinacija sumažina klaidingus įspėjimus maždaug dviejų trečdalių sudėtingose penkių ašių CNC pjūklų sistemose, nes ji geba atskirti tikrą įrankio dėvėjimąsi nuo paprastų mašinos pačios vibracijų. Pirmiausia EEMD–Hilberto dalis išsklaido švytuojančias sukimo veleno sroves į mažesnius komponentus, vadinamus intrinziškais modais. Šis procesas pašalina tas nepatogias žemos dažnio rezonansines svyravimų formas, kurios kyla dirbant su aliuminio medžiagomis. Po to, kai šie požymiai išvalomi, jie patenka į neuroninį tinklą – klasifikatorių, kuris daro tikslų prognozes net tada, kai aplink vyksta intensyvios vibracijos. Šį požiūrį išbandėme tikrose aviacijos pramonės pjovimo operacijose, kur detalėms reikalingi tikslūs profiliai, ir jis nuolat gerai veikia naktį po nakties nepertraukiamose gamybos cikluose, kurie trunka 24 valandas per parą, septynias dienas per savaitę.

Nuo dirbtinio intelekto prognozavimo iki operacinės veiklos: parametrų optimizavimas ir prastovų prevencija

Uždarosios kilpos padavimo/greičio reguliavimas, grindžiamas dėvėjimosi prognozėmis, aukšto našumo linijose sumažina neplanuotas prastovas 41 %

Dirbtinio intelekto naudojimas CNC aliuminio profilių pjovimo uždarojo ciklo valdyme šias prognozinės įžvalgos paverčia tikrais piniginiais taupymais gamyklos gamybos plotuose. Kai sistema realiuoju laiku stebėdama aptinka, kad įrankio nusidėvėjimas artėja prie pavojingų ribų, ji automatiškai reguliuoja padavimo greitį ir verpeto sukimosi dažnį, kad pjovimo jėgos liktų kontroliuojamos. Ką tai reiškia? Ilgesnis įrankių tarnavimo laikas be kompromisų su tiksliais matmeniniais reikalavimais, kurie būtini 6061-T6 aliuminio detalėms. Gamyklos, kurios įdiegė šią technologiją, praneša, kad netikėtos sustabdymo trukmės gamybos linijose, veikiančiose intensyviai, sumažėjo beveik per pusę (apie 41 %). Tai reiškia, kad kiekvienas įrenginys kasmet gauna atgal apytiksliai 16 pilnų darbo dienų. Jungdamos protingą duomenų analizę su tikraisiais mašinos valdymo mechanizmais, gamintojai pastebi konkretų operacinės veiklos pagerėjimą.

• Nuolatinė optimizacija, balansuojanti įrankių tarnavimo trukmę ir ciklo trukmes
• Katastrofiško įrankio lūžimo prevencija giliosios kišenės frezavimo metu
• Adaptyvūs atsakai į kintamus aliuminio drožlių prilipimo iššūkius
  Keisdami dėvėjimosi prognozes į parametrų koregavimus, gamintojai pasiekia pastovią našumą, neprarandami paviršiaus apdorojimo kokybės ir neaktyvuodami automatinio sustabdymo režimų. Šis nuoseklus metodas iliustruoja, kaip dirbtinio intelekto (DI) įrankių dėvėjimosi prognozavimo sistemos perėjo nuo diagnostikos galimybių prie realių našumo pagerinimų CNC aliuminio apdirbimo aplinkoje.

Dažniausiai užduodami klausimai

Kas yra dirbtinio intelekto (DI) įrankių dėvėjimosi prognozavimas CNC apdirbime?

Dirbtinio intelekto (DI) įrankių dėvėjimosi prognozavimas – tai dirbtinio intelekto sistemų naudojimas įrankių susidėvėjimo prognozavimui CNC apdirbime, leidžiantis laiku atlikti techninę priežiūrą ir koregavimus prieš įvykstant gedimams.

Kodėl dirbtinio intelekto (DI) įrankių dėvėjimosi prognozavimas yra svarbus aliuminio apdirbimui?

Jis padeda sumažinti prastovas ir pratęsti pjovimo įrankių tarnavimo laiką, aptikdamas ankstyvus aliuminiui būdingus dėvėjimosi požymius, kurie gali būti brangūs dėl aliuminio tendencijos greitai sunaikinti įrankius.

Kaip dirbtinio intelekto (DI) sistemos aptinka įrankių dėvėjimą?

Šie sistemos analizuoja realiuoju laiku gaunamus duomenis iš įvairių jutiklių, įskaitant virpėjimų, akustinio spinduliavimo ir verpstės srovės jutiklius, kad nustatytų įrankių dėvėjimosi požymius.

Ar dirbtinis intelektas gali pagerinti CNC apdirbimo operacijų efektyvumą?

Taip, dirbtinis intelektas gali automatiškai optimizuoti padavimo greičius ir pjovimo greičius, taip padidindamas įrankių tarnavimo trukmę, sumažindamas prastovas ir gerindamas bendrą našumą CNC aliuminio apdirbime.